DiscoSG：通过迭代图细化实现话语级文本场景图解析

视觉语言模型（VLMs）生成话语级的多句子视觉描述，这对针对单句子caption-to-graph映射构建的文本场景图解析器构成挑战。当前方法通常合并句子级解析输出以处理话语输入，常缺失跨句子指代现象，导致图碎片化并影响下游VLM任务性能。我们提出新任务——话语级文本场景图解析（DiscoSG），并发布DiscoSG-DS数据集，包含400个专业标注及8430个合成的多句子caption-graph对。每段平均9句，图中三元组数是现有数据集的3倍。以DiscoSG-DS微调GPT-4o后，SPICE指标比最佳句子合并基线高超过40%。然而其高推理成本和授权限制开源使用。较小的微调开源模型（如Flan-T5）在简单图上表现良好，但在稠密复杂图上性能下降。为弥合差距，我们引入DiscoSG-Refiner——轻量级开源解析器，通过草拟种子图并迭代细化新构建的学习图编辑模型，实现比基线高30%的SPICE，同时比GPT-4o快86倍。其从简单到稠密图均能一致提升下游VLM任务，包括话语级caption评估与幻觉检测，超越替代开源解析器。代码与数据已公开于https://github.com/ShaoqLin/DiscoSG。